Description
Englisch:
Audio adversarial examples struggle to bridge the air gap. I show that this is in part due to offsets and present techniques to generate more offset invariant adversarial examples, thereby significantly improving accuracy.
To further improve robustness against offsets and other transformations that are, inadvertently, applied by transmitting them over the air, I present a deep learning based concept that theoretically allows us to achieve optimal robustness against the air gap. To aid implementation of this concept, I subsequently propose tactics for data collection and training.
Deutsch:
Feindlichen Audio Signalen fällt es schwer den Luftzwischenraum zu überwinden. Ich zeige, dass dies in Teilen an Verschiebungen liegt und stelle Techniken vor, welche die Robustheit gegen diese Verschiebungen erhöhen, wodurch die Treffsicherheit der feindlichen Audio Signale signifikant steigt.
Um die Robustheit gegen Verschiebungen und andere Transformationen weiter zu erhöhen, beschreibe ich ein auf tiefen neuronalen Netzwerken basierendes Konzept, welches uns theoretisch optimale Robustheit bei der Übertragung durch die Luft ermöglicht. Um die Implementierung dieses Konzeptes zu unterstützen, stelle ich anschließend Techniken für die Datenerfassung und das Training vor.
|
Thesis topic in co-operation with the Fraunhofer Institute for Applied and Integrated Security AISEC, Garching